CostStart：按实测成本学习单纯形热启动

该研究针对线性规划（LP）单纯形法中“学习型热启动减少迭代却未同比减少耗时”的问题，提出 CostStart：结合监督式基预测与基于实测 CPU 指令数训练的小型策略，为每个 LP 选择热启动配置。基于摘要分析，未取得论文全文。 原问题与机制：既有方法预测哪些变量在最优解处属于基变量，并据此构造初始基。作者报告，在 25 类 LP 上，一个较强的监督式基预测器将对偶单纯形法的迭代次数减少约三分之二，但求解时间仅减少约三分之一。作者将差距归因于两点：良好初始基所省去的迭代往往成本较低；与最优基的接近程度也不能可靠地排列不同起点的求解成本。 理论与成本度量：作者给出的理论结果表明，即使两个起点与某个最优基的重合度相同、枢轴次数也相同，其线性代数工作量仍可相差一个随约束行数平方根增长的因子。作者报告，在同一个 LP 的不同起点之间，枢轴次数可解释对数求解时间方差的 71%，CPU 指令数可解释 98.5%；这一结果的适用背景是单个 LP 内的起点比较，不能直接视为跨 LP 的预测性能。 CostStart 保留监督式基预测，并让小型策略依据实测指令成本，选择使用多少个预测列、运行哪种算法与定价规则，以及是否采用热启动。作者报告，在训练所覆盖类别中的未见 LP 上，包括规模为训练问题四倍的 LP，相较求解器默认起点，CostStart 将求解时间大致减半；相较在相同数据上重新训练的两种已发表方法，速度为其 1.4–2.2 倍。这支持类别内未见实例及一定规模外推下的效果，不等同于未见 LP 类别上的泛化。 具体 LP 类别、划分方式、求解器与硬件配置、策略训练细节，以及报告耗时是否包含预测和配置选择开销，均需全文核对；实验协议、消融及统计信息尚未验证。本文主要贡献属于优化求解器的学习型成本控制，摘要未建立与 EEG/BCI 的具体机制对应关系，不据此推断 BCI 有效性。